I.14Автоматизация процессов и AI-агенты

Hunyuan-0.5B-Pretrain — предварительно обученная плотная языковая модель из семейства Hunyuan, разработанного Tencent. Она содержит 463,5 млн параметров и предназначена для генерации текста и адаптации под конкретные задачи, в том числе для последующего дообучения в диалоговую модель или агентную систему. Модель поддерживает контекст до 256 тысяч токенов и использует архитектуру HunYuanDenseV1 с Grouped Query Attention. Семейство Hunyuan описано как поддерживающее быстрый и пошаговый режимы рассуждений, длинный контекст и сценарии с инструментами; метаданные также указывают возможности чата и интерфейса вызова инструментов. Доступны веса в формате safetensors, а для семейства заявлена поддержка эффективного инференса и квантования. Карточка предлагает использовать Transformers и упоминает TensorRT-LLM, vLLM и SGLang для развёртывания. Это базовая предварительно обученная модель, поэтому для следования инструкциям и надёжного диалога может потребоваться дообучение. README не приводит отдельную оценку ограничений именно версии 0.5B. Лицензия в предоставленных данных не обозначена.

JaColBERT v1 — модель поиска японских документов на основе ColBERT, разработанная bclavie. Она предназначена для извлечения релевантных документов по запросу в системах поиска и RAG. В отличие от подхода с одним вектором на документ, ColBERT представляет текст набором эмбеддингов, что помогает сопоставлять отдельные аспекты запроса и документа; для работы модель использует RAGatouille. Модель дообучена на базе японской BERT cl-tohoku/bert-base-japanese-v3 и обучалась на японской части MMARCO с hard negatives — всего на 10 млн триплетов за одну эпоху. Это японская модель с контекстом до 512 токенов и 138,4 млн параметров. В карточке сообщается о хороших результатах на японских наборах для поиска, включая данные вне обучающего домена. Это начальная версия, обученная на одном датасете; для новых доменов может потребоваться дообучение. Лицензия — MIT.

hotchpotch/japanese-reranker-cross-encoder-small-v1 — японская модель-реранкер от разработчика hotchpotch. Она повторно ранжирует пары запросов и текстовых фрагментов, оценивая их релевантность; модель построена как CrossEncoder на базе XLM-RoBERTa и предназначена для японского языка. Вариант small содержит 12 слоёв и скрытый размер 384; в метаданных указан размер 124,3 млн параметров и контекст до 514 токенов. Модель обучалась на японских данных, а в карточке приведены результаты оценки на JQaRA, JaCWIR, MIRACL и JSQuAD. Она подходит для уточнения порядка результатов поиска или кандидатов, полученных системой извлечения. Модель доступна в формате safetensors, использует библиотеку Sentence Transformers и распространяется по лицензии MIT. Как реранкер, она оценивает заданные пары, а не генерирует развернутые ответы; применимость к другим языкам карточкой не подтверждена.

Это дообученная модель ljh728 на базе диалоговой Kakao Kanana 1.5 Instruct с 7,5 млрд параметров. Она использует архитектуру Llama и предназначена для генерации текста в формате диалога; метаданные также указывают интерфейс вызова инструментов. Модель принимает текст и генерирует текст, а контекст составляет до 32 768 токенов. Модель сохранена в формате Safetensors и распространяется по лицензии Apache-2.0. README сообщает об обучении с использованием Unsloth и библиотеки TRL, но не описывает конкретные изменения поведения, данные или результаты дообучения, поэтому специализацию Persona по имеющимся сведениям определить нельзя.

aadel4/kid-whisper-medium-en-myst — модель автоматического распознавания речи на базе OpenAI Whisper medium-en, дообученная на наборе Myst Train длительностью 125 часов. Она преобразует аудио в текст и предназначена для транскрибирования речи; в README приведена оценка WER 8,31 на Myst Dev длительностью 20,9 часа. Модель имеет архитектуру WhisperForConditionalGeneration и около 455,8 млн параметров, распространяется в формате PyTorch и использует библиотеку Transformers. Лицензия — Apache-2.0.

Kiwen-27B — дообученная мультимодальная модель Qwen, созданная на основе Qwen/Qwen3.8-27B с использованием длинных трасс рассуждений Kimi K3. Её дообучение направлено на то, чтобы модель завершала рассуждение и выдавала ответ до исчерпания лимита генерации; автор не заявляет, что она в целом сильнее базовой модели. Модель предназначена для диалогов и задач с изображениями, а также для многошаговых задач на рассуждение, включая математику и программирование. В README приведены результаты GSM8K: улучшение точности составило 10,31 процентного пункта при гибком извлечении ответа и 6,07 пункта при строгом. Это указывает, что часть выигрыша связана с более надёжным завершением ответа, а не обязательно с улучшением математических способностей. Проверка на вьетнамских корпоративных документах показала небольшое ухудшение NLL относительно базовой модели. Kiwen-27B — плотная модель семейства Qwen с 27 млрд параметров, архитектура Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и выдаёт текст. В метаданных указаны вьетнамский, английский и китайский языки. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

KSSDS — модель на архитектуре T5, разработанная на основе энкодера lcw99/t5-base-korean-text-summary и дообученная на данных AI Hub для разделения корейского текста на предложения в диалоговых системах. Она предназначена, в частности, для сегментации текста на корейском языке, полученного от систем распознавания речи, таких как Whisper. Модель содержит 137,8 млн параметров; в репозитории представлены веса PyTorch и Safetensors. В карточке указана лицензия MIT. README отмечает, что вариант KSSDS_NO_LF обучен без Length Filter для абляционного исследования и менее точно разделяет длинные тексты; это описание относится к отдельному варианту, а не подтверждает ограничение KSSDS.

hmart824/layoutlmv3-finetuned_0.1 — дообученная версия hmart824/layoutlmv3-finetuned для классификации токенов с использованием архитектуры LayoutLMv3. Модель содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. Карточка сообщает значение Loss 0,4995 на оценочном наборе, но не описывает набор данных, метки или методику оценки. Модель предназначена для задач разметки токенов в документах. LayoutLMv3 относится к архитектурам для работы с текстом и визуальной структурой документов, однако сведения карточки не позволяют подтвердить конкретный сценарий или набор входных данных этой версии. Лицензия CC BY-NC-SA 4.0 разрешает использование на её условиях, включая ограничения на коммерческое применение и требования к распространению производных работ.

Ertas AI предлагает настраиваемую версию LFM2.5-230M от Liquid AI — компактной плотной языковой модели с 221,2 млн параметров для генерации текста. Модель дообучена на пользовательских данных с помощью Ertas AI; она принимает текст и поддерживает чатовый формат и вызов инструментов. В карточке указаны 14 слоёв: 8 блоков LIV с двойными воротами и 6 блоков GQA. Метаданные указывают контекст до 128 000 токенов, а README — 32 768 токенов. Модель предназначена для извлечения данных и лёгких агентных сценариев на устройствах с ограниченными ресурсами. Она поддерживает английский, арабский, китайский, французский, немецкий, итальянский, японский, корейский, португальский и испанский языки. Небольшой размер и быстрая генерация подходят для локального запуска, однако модель не рекомендуется для сложных рассуждений, продвинутой математики, генерации кода и творческого письма. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

LFM2.5-2.6B-Uncensored-GGUF — это квантованная GGUF-версия модели LFM2.5-2.6B от Liquid AI, подготовленная автором SC117 на основе релиза LFM2.5-2.6B-Uncensored. Модель предназначена для генерации текста и локального запуска на периферийных устройствах, включая агентские сценарии. Версия получила модификацию abliterix Trial 65, из-за которой частота отказов при ответах существенно ниже, чем у официальной базовой модели. Модель содержит около 2,6 млрд параметров, использует гибридную архитектуру из 30 слоёв: 22 блока double-gated short-convolution и 8 блоков GQA. Заявлены контекстное окно 128K токенов, словарь размером 128K и ChatML-подобный шаблон с поддержкой встроенного рассуждения через тег <think>. Модель ориентирована прежде всего на англоязычные сценарии; другие языки и мультимодальность в предоставленных данных не указаны. К сильным сторонам относятся компактный размер, пригодность для edge-развёртывания, большое контекстное окно и несколько уровней GGUF-квантизации, откалиброванных с использованием imatrix. Ограничение — сниженная отказоустойчивость в отношении потенциально вредных запросов: в указанной оценке модель отказала в 6 из 100 случаев против примерно 90 из 100 у базовой версии. Поэтому её следует дополнительно тестировать, защищать от несанкционированного доступа и подвергать аудиту. Распространение осуществляется по лицензии LFM Open License v1.0.

LFM2.5-Encoder-350M Corpus Cleaner — модель токеновой классификации, опубликованная Yijiong Yu и дообученная на двунаправленном энкодере LiquidAI/LFM2.5-Encoder-350M. Она помечает токены в шумных текстах как KEEP или DELETE, чтобы удалять рекламные вставки, навигацию, шаблонные блоки, искажённый текст и другой низкокачественный материал, сохраняя полезные фрагменты без переписывания документа. Модель рассчитана на очистку и фильтрацию больших текстовых корпусов, в том числе данных для предобучения; автор сообщает о скорости около 3 тыс. токенов в секунду на CPU и около 160 тыс. на одном GPU H20. В README заявлен контекст 8 тыс. токенов, тогда как метаданные указывают нативный контекст энкодера 128 тыс. токенов; фактический рабочий предел может зависеть от используемой конфигурации. Модель версии 0.0.2 обучена примерно на 3 млн пар сырых и очищенных примеров; очистку целевых текстов выполняли с помощью Qwen3.5-9B. Архитектура — плотный LFM2, около 444,6 млн параметров по метаданным. Указана поддержка английского и китайского языков. Для работы требуются Transformers с поддержкой LFM2 и trust_remote_code=True. Лицензия в предоставленных данных не указана.

bunnycore/Llama-3.2-1B-General-Best — объединённая языковая модель семейства Llama, созданная автором репозитория с помощью mergekit. В неё вошли huihui-ai/Llama-3.2-1B-Instruct-abliterated и bunnycore/LLama-3.2-1B-General-lora_model; применён метод passthrough. Модель содержит 1,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста и диалоговых сценариев. Метаданные указывают на контекст до 131 072 токенов и интерфейс вызова инструментов. В карточке не приведены результаты оценки качества, подробные инструкции по использованию или сведения о поддерживаемых языках. Лицензия в предоставленных данных не указана.

SamMikaelson/Llama-3.2-3B-APIGEN-Full — дообученная SamMikaelson языковая модель семейства Llama 3.2 для генерации текста и диалогового взаимодействия. В основе лежит unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель содержит 3,2 млрд параметров, построена на плотной архитектуре LlamaForCausalLM и имеет контекстное окно до 131 072 токенов. Она принимает текст и генерирует текст; метаданные указывают на интерфейс вызова инструментов. В карточке обозначен английский язык. Модель распространяется под лицензией Apache-2.0. Карточка не описывает специализацию набора APIGEN, обучающие данные, результаты оценки качества или требования к запуску, поэтому возможности в конкретных сценариях вызова API не подтверждены. Базовая модель указана как 4-битная сборка, но формат файлов этой модели обозначен как safetensors; параметры её точности отдельно не описаны.

CreitinGameplays/Llama-3.2-3b-Instruct-uncensored-refinetune — дообученная автором CreitinGameplays диалоговая языковая модель семейства Llama 3.2. Она предназначена для генерации ответов на текстовые запросы и ведения диалогов; в метаданных также отмечен интерфейс вызова инструментов. Модель имеет плотную архитектуру LlamaForCausalLM и 3,2 млрд параметров, принимает контекст длиной до 131 072 токенов и распространяется в формате safetensors для Transformers. Основной язык карточки — английский. Лицензия — MIT. README не содержит дополнительных сведений о методике дообучения или оценке качества.

asiburye/Llama-3.2-3B-Xitcar — разговорная текстовая модель, разработанная asiburye на основе unsloth/llama-3.2-3b-instruct-bnb-4bit. Это дообученная плотная авторегрессионная модель семейства Llama 3.2 с 3,2 млрд параметров, предназначенная для генерации текста в диалогах. Метаданные указывают контекстное окно до 131072 токенов, поддержку английского языка и интерфейс для вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка не описывает специализацию дообучения, обучающие данные или результаты оценки качества, поэтому пригодность для конкретных предметных задач не подтверждена.

Карточка модели mirnawazrchilli/llama3.2_clean-16bit на Hugging Face совпадает с карточкой mirnawazrchilli/llama3.2-16bit, поэтому описание составлено по ней. mirnawazrchilli/llama3.2-16bit — текстовая генеративная модель семейства Llama 3.2, дообученная автором mirnawazrchilli на базе unsloth/llama-3.2-1b-instruct-bnb-4bit. Архитектура — плотная авторегрессионная модель LlamaForCausalLM примерно с 1,2 млрд параметров; веса представлены в формате PyTorch. Для обучения использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста и диалогового взаимодействия на английском языке. Её можно применять для ответов на запросы, продолжения текста и создания простых диалоговых приложений; в метаданных также отмечен интерфейс вызова инструментов. Контекстное окно составляет 131 072 токена. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей обучающих данных, поэтому пригодность для конкретных задач следует проверять отдельно.

Это версия мультиязычной модели M2M100 с 418 млн параметров, подготовленная сообществом gn64 для запуска через CTranslate2. Модель основана на facebook/m2m100_418M, разработанной Facebook AI для перевода между языками; веса оптимизированы квантизацией int8 и конвертацией из формата Hugging Face Transformers для ускорения инференса. Модель предназначена для автоматического перевода текста между поддерживаемыми языками. M2M100 использует архитектуру encoder-decoder и поддерживает перевод между 100 языками. Репозиторий распространяется по лицензии MIT. Квантизация int8 уменьшает требования к ресурсам и может ускорить работу, однако качество перевода может отличаться от исходной версии. README не сообщает отдельных результатов оценки этой сборки.

Карточка модели MengLinMaker/Maincoder-1B на Hugging Face совпадает с карточкой Maincode/Maincoder-1B, поэтому описание составлено по ней. Maincoder-1B — компактная авторегрессионная языковая модель для кода, разработанная Maincode. Она предназначена прежде всего для генерации и автодополнения кода на Python и может применяться при написании функций, прототипировании и решении задач по программированию. Модель содержит 1 млрд параметров и построена на трансформере-декодере Maincoder с 32 слоями и скрытым размером 1536. Архитектура использует RoPE, grouped-query attention, нормализацию запросов и ключей через RMSNorm и блоки SwiGLU. Контекст ограничен 2048 токенами; для запуска используется библиотека Transformers, веса доступны в формате safetensors. README сообщает о настройке обучения с помощью алгоритма MCPO и результатах на бенчмарках HumanEval, HumanEval+ и MBPP+. Модель рассчитана на локальное применение на потребительском оборудовании благодаря компактному размеру. Она оптимизирована преимущественно для Python, поэтому качество на других языках программирования может отличаться. Сгенерированный код может содержать ошибки или уязвимости, а модель не проходила настройку на безопасность. Лицензия — Apache-2.0.

Это конверсия MetaCLIP 2 Worldwide B32 384 в формате Keras 3, подготовленная zeromodels на основе facebook/metaclip-2-worldwide-b32-384. Модель использует архитектуру CLIP с двумя энкодерами для изображений и текста и предназначена для классификации изображений по текстовым описаниям без дообучения: она сопоставляет изображение с заданными пользователем текстовыми классами и оценивает их соответствие. Worldwide-вариант обучен на многоязычных данных и использует словарь XLM-RoBERTa на 901 тысячу токенов, поэтому поддерживает текстовые запросы на разных языках, включая английский, французский, испанский и немецкий. Версия B32 384 принимает изображения и текстовые метки; реализация Keras 3 может запускаться с TensorFlow, Torch или JAX. Лицензия CC-BY-NC-4.0 разрешает использование только на некоммерческих условиях.

Это конверсия MetaCLIP 2 ViT-L/14 от zeromodels, основанная на facebook/metaclip-2-worldwide-l14. Модель использует архитектуру CLIP с двумя энкодерами: один обрабатывает изображения, другой — текстовые описания. Реализация выполнена на Keras 3 и работает с TensorFlow, PyTorch и JAX. Модель предназначена для классификации изображений без предварительного обучения на заданных классах: она сопоставляет изображение с текстовыми метками или описаниями и оценивает их соответствие. Worldwide-вариант обучен на многоязычных данных и использует словарь XLM-RoBERTa на 901 тысячу токенов, поэтому поддерживает текстовые запросы на разных языках без отдельного мультиязычного чекпойнта. Лицензия CC-BY-NC-4.0 разрешает использование на некоммерческих условиях.

jeffwan/mmarco-mMiniLMv2-L12-H384-v1 — многоязычный cross-encoder на базе multilingual MiniLMv2, дообученный на MMARCO: машинно переведённой версии MS MARCO. Модель сопоставляет запрос с каждым найденным фрагментом текста и оценивает их релевантность, чтобы ранжировать результаты информационного поиска. Её можно применять для повторного ранжирования кандидатов, предварительно найденных поисковой системой, например Elasticsearch, и для сортировки абзацев по соответствию запросу. В карточке указано, что обучение охватывает 14 языков и что модель показала хорошие результаты также на других языках. Архитектура — XLM-RoBERTa для классификации последовательностей, размер — 124,3 млн параметров, длина контекста — 514 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель оценивает пары «запрос — фрагмент», поэтому для большого корпуса обычно сначала требуется отдельный этап поиска кандидатов. Обучающие данные получены машинным переводом MS MARCO; качество на других языках не гарантируется указанными экспериментами.

ytu-ce-cosmos/modernbert-tr-massive-slot — турецкая модель разметки последовательностей на базе энкодера ModernBERT-TR, разработанная для заполнения слотов в системе понимания речи MASSIVE 1.1. Она классифицирует токены по схеме BIO для 55 типов слотов, выделяя, например, сущности в запросе «найди билет до Анкары на следующую пятницу». Модель содержит 148,7 млн параметров, принимает текст и рассчитана на контекст до 8192 токенов. Контрольная точка получила entity-level F1 75,30% на тестовом наборе MASSIVE 1.1 для турецкого языка; указанный для неё результат на 0,03 процентного пункта выше среднего 75,27 ± 0,31% по пяти запускам. Это дообучение ytu-ce-cosmos/modernbert-tr-base; доступны веса Safetensors и формат ONNX. Модель распространяется по лицензии Apache-2.0.

mREBEL-base — мультиязычная модель извлечения отношений, представленная авторами работы REDFM, опубликованной на ACL 2023. Она переосмысляет извлечение отношений как задачу преобразования текста в текст и предназначена для самостоятельного извлечения связей между сущностями или для дообучения на мультиязычных наборах данных по этой задаче. Модель построена на архитектуре M2M100ForConditionalGeneration и содержит 332,5 млн параметров. Метаданные указывают контекст до 1024 токенов и поддержку арабского, каталанского, немецкого, греческого, английского, испанского, французского, хинди, итальянского, японского, корейского, нидерландского, польского, португальского, русского, шведского, вьетнамского и китайского языков. Для корректного разбора предсказаний нужны специальные токены, различающие субъект, объект и тип отношения; виджет Hugging Face их не показывает. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий распространения и атрибуции.

tomaarsen/multivector-ModernBERT-base-msmarco-cached-contrastive — англоязычный многовекторный энкодер, дообученный автором на базе answerdotai/ModernBERT-base на 99 000 примерах MS MARCO с помощью Sentence Transformers. Модель кодирует текст в последовательность 128-мерных векторов токенов и оценивает пары запросов и документов по позднему взаимодействию MaxSim; максимальная длина последовательности — 8192 токена. Архитектура основана на ModernBERT, число параметров — 149 млн. Модель предназначена для семантического поиска и информационного поиска, где важна детализация на уровне токенов. Её можно использовать для поиска документов по запросам и ранжирования найденных текстов; README приводит оценки на наборах NanoMSMARCO и NanoBEIR. Модель принимает текст и выдаёт векторы признаков, а не готовые ответы на вопросы. Лицензия — Apache-2.0. Модель обучена на англоязычных данных и рассчитана прежде всего на поиск на английском языке; качество на других языках не подтверждено. Векторное представление токенов и вычисление MaxSim требуют соответствующей логики индексирования и поиска.

Blackfrost-AI/Muse-Glimmer-30B-Abliterated-GGUF — экспериментальная сборка модели Muse Glimmer 30B, подготовленная Blackfrost на базе Blackfrost-Research/Muse-Glimmer-30B-Abliterated-BF16 и исходной модели Meta. Она распространяется в формате GGUF для локального запуска через llama.cpp на одной потребительской видеокарте или CPU, полностью офлайн. Модель ориентирована на агентские сценарии, генерацию текста и мультимодальную работу с изображениями. Архитектура muse-glimmer — плотная модель с 52 слоями, скрытым размером 6656, GQA, скользящим окном внимания и vision tower. Заявленный контекст составляет 131 072 токена. Доступны квантизации от Q2_K до Q8_0 размером примерно от 10 до 27,6 ГБ; рекомендуемый компромисс Q4_K_M занимает около 15,8 ГБ. Для обработки изображений требуется отдельный мультимодальный проектор, а для ускорения генерации можно использовать DFlash drafter. Поддерживаемые языки в README не указаны. Ключевая особенность сборки — удаление поведения отказа методом изменения весов; в указанном тесте модель не демонстрировала истинных отказов на 450 вредоносных запросах. Это расширяет свободу использования, но одновременно означает отсутствие обычных защитных ограничений и повышенные риски при работе с небезопасными запросами. Разработка помечена как экспериментальная: возможны проблемы с декодированием, связностью, разбором вызовов инструментов и работой сервера под нагрузкой. Указана лицензия Apache-2.0; для запуска рекомендуется llama.cpp версии b10353 или новее.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-inoculation-prompting-seed3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-kld-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

OpenCoder-1.5B-Base — базовая языковая модель для кода из семейства OpenCoder, разработанного как открытый и воспроизводимый проект. Модель с архитектурой Llama содержит 1,7 млрд параметров и принимает последовательности длиной до 4096 токенов. Она обучена с нуля на 2,5 трлн токенов, преимущественно на исходном коде, и предназначена для генерации кода и дальнейшей адаптации под задачи программирования. Модель поддерживает английский и китайский языки. В карточке OpenCoder приведены результаты на HumanEval(+), MBPP(+) и BigCodeBench; проект также публикует обучающие данные, конвейер их обработки и материалы об экспериментах. Репозиторий содержит веса PyTorch и Safetensors. Лицензия указана как other, поэтому перед использованием следует проверить её условия в карточке модели.

OpenThaiGPT 1.5 7B Instruct — чат-модель команды OpenThaiGPT для общения на тайском языке и ответов на вопросы, в том числе по темам, связанным с Таиландом. Это плотная авторегрессионная модель семейства Qwen2, дообученная на более чем 2 млн тайских пар инструкций. Она поддерживает диалог в несколько ходов, вызов инструментов и применение в системах с дополненной поиском генерацией (RAG). Модель принимает текст и генерирует текст; заявлены тайский и английский языки. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. В README описано расширение контекста с помощью YaRN для более длинных входов, но отмечено, что текущая конфигурация рассчитана на 32 768 токенов. Репозиторий содержит веса safetensors и GGUF. Модель предназначена для тайскоязычного чата, ответов на вопросы и интеграции с внешними функциями и данными. README сообщает о высоких результатах на тайских экзаменах, однако такие бенчмарки не гарантируют точность в конкретных пользовательских сценариях. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Opir-multitask-large-v1.0 — англоязычный классификатор безопасности от Knowledgator на базе GLiClass. Это encoder-модель для фильтрации текста в системах с LLM: она оценивает текст относительно заданных при запуске меток и поддерживает бинарную классификацию safe/unsafe, выявление токсичности, jailbreak-атак и prompt injection, а также категоризацию вредоносного содержимого по иерархической таксономии из 996 меток. Модель предназначена для проверки входящих запросов и ответов LLM, направления рискованных случаев в дополнительные защитные механизмы или на проверку человеком, а также для офлайн-анализа результатов red team и журналов модерации. Метки можно адаптировать под собственную политику. В сравнительном тесте авторов задержка составила 25,65 мс на p50 и 26,09 мс на p95 при длине 1024 токена. Классификатор возвращает оценки риска, а не окончательные решения по политике. Он может пропускать новые или обфусцированные атаки и вред, не отражённый в кандидатных метках; пороги следует калибровать на целевом трафике, а результаты дополнять правилами, мониторингом и эскалацией. Английский — основной язык модели. Лицензия — Apache-2.0.